CateNorm：面向鲁棒医学图像分割的类别归一化
图像与视频处理
2022-08-08 v2 计算机视觉与模式识别
摘要
批归一化（BN）基于一批图像的统计量对激活值进行统一的平移和缩放。然而，背景像素的强度分布常常主导 BN 统计量，因为背景占据了整幅图像的很大比例。本文致力于利用前景像素的强度分布（即真正对图像分割起作用的分布）来增强 BN。我们提出了一种名为类别归一化（CateNorm）的新归一化策略，根据类别统计量对激活值进行归一化。类别统计量是通过动态调制图像中属于前景的特定区域获得的。CateNorm 在来自不同领域的五个公共数据集上均展现出精确且鲁棒的分割结果，覆盖了复杂且多变的数据分布。这归因于 CateNorm 从医学数据的多个领域（机构）中捕获域不变信息的能力。代码可在 https://github.com/lambert-x/CateNorm 获取。
引用
@article{arxiv.2103.15858,
title = {CateNorm: Categorical Normalization for Robust Medical Image Segmentation},
author = {Junfei Xiao and Lequan Yu and Zongwei Zhou and Yutong Bai and Lei Xing and Alan Yuille and Yuyin Zhou},
journal= {arXiv preprint arXiv:2103.15858},
year = {2022}
}
备注
Accepted by MICCAI 2022 Workshop on Domain Adaptation and Representation Transfer (DART)